編者按：傳統(tǒng)的基于用戶數(shù)量的定價(jià)模式是否還適用于AI產(chǎn)品？我們今天為大家?guī)淼倪@篇文章中，作者提出：AI 產(chǎn)品應(yīng)該采用基于工作量的定價(jià)模式，而非傳統(tǒng)的基于用戶數(shù)量的定價(jià)方式。

傳統(tǒng)的基于用戶數(shù)量的定價(jià)模式在 AI 產(chǎn)品中往往會(huì)導(dǎo)致資源浪費(fèi)和成本分配不均。一些員工可能每天都在大量使用 AI 工具，而另一些人可能幾乎不碰。這不僅會(huì)增加企業(yè)的不必要開支，還可能阻礙 AI 工具在整個(gè)組織中的廣泛應(yīng)用和創(chuàng)新。

作者分享了他們?cè)?AI 產(chǎn)品定價(jià)方面的思考和初步嘗試。文章探討了基于工作量定價(jià)的優(yōu)勢(shì)，同時(shí)也坦誠(chéng)地指出了這種模式可能面臨的挑戰(zhàn)，如如何界定"已完成的工作"，以及企業(yè)預(yù)算管理的復(fù)雜性等。如果你正在思考 AI 產(chǎn)品的定價(jià)問題，期望這篇文章會(huì)給你帶來新的啟發(fā)。

作者 | Vikram Sreekanti & Joseph E. Gonzalez

編譯 | 岳揚(yáng)

給產(chǎn)品定價(jià)歷來是個(gè)難題，我們并不自詡為定價(jià)專家。目前，我們還在初步嘗試為 RunLLM（??runllm.com??） 找到一個(gè)合適的定價(jià)模式，這個(gè)問題最近一直縈繞在我們的心頭。我們覺得，將我們隨著與客戶互動(dòng)的深入而逐漸成熟的思考過程分享出來，以及探討人工智能產(chǎn)品的特性如何影響定價(jià)規(guī)則，或許對(duì)大家有所啟發(fā)。

簡(jiǎn)單來說，我們得到的啟示是，基于用戶人數(shù)的定價(jià)方式并不理想，人工智能工具更應(yīng)按照完成的工作量來設(shè)定價(jià)格。 這個(gè)觀點(diǎn)或許對(duì)某些人來說是顯而易見的真理，對(duì)另一些人來說則是激進(jìn)的新觀點(diǎn)，但這絕非什么新奇的想法，甚至算不上是一個(gè)新概念。

Source: DALL-E 3.

從以往來看，大多數(shù)辦公效率工具的價(jià)值在于能夠與整個(gè)公司緊密結(jié)合。像 Slack、Linear、Notion 這樣的團(tuán)隊(duì)協(xié)作工具，團(tuán)隊(duì)規(guī)模越大，其使用頻率就越高。雖然每個(gè)新成員帶來的使用頻率增長(zhǎng)可能不是絕對(duì)線性的，但團(tuán)隊(duì)規(guī)模和產(chǎn)品使用量之間確實(shí)存在正相關(guān)。即便沒有創(chuàng)建更多的新任務(wù)或撰寫更多的文檔，讓每個(gè)團(tuán)隊(duì)成員都能使用這些工具，其益處也是顯而易見的。

然而，基于人工智能的效率工具打破了這一傳統(tǒng)模式。以電子郵件為例，我在 RunLLM 擔(dān)任 CEO 和在加州大學(xué)伯克利分校擔(dān)任教授時(shí)，每天收到的郵件量與 RunLLM 的工程師或普通研究生收到的郵件量有著天壤之別。因此，如果一款基于人工智能的郵件回復(fù)工具按照人數(shù)來收費(fèi)，那就顯得不太合理了 —— 畢竟，每天撰寫 100 封郵件所需完成的工作量遠(yuǎn)遠(yuǎn)超過了僅寫 2 封郵件。

這正是 Notion AI 等工具讓人感到不平的地方。當(dāng)團(tuán)隊(duì)中某些成員因工作需求而需要投入大量時(shí)間寫作時(shí)，為每個(gè)人每月支付 10 美元開通 Notion AI 就顯得有些不合理。（再加上我們還覺得 Notion AI 的實(shí)際效用并不大…）Notion AI 與 Notion 的常規(guī)定價(jià)模式需要有所區(qū)別，因?yàn)樵诤笳哌@種情況下，即便用戶不常寫作，能接觸到公司文檔本身就具有價(jià)值。 而人工智能的價(jià)值在于其提供的自動(dòng)化服務(wù)（它所完成的工作）。因此，我們更希望按照這一服務(wù)量來付費(fèi)。

這就是基于工作量的定價(jià)原則，我們發(fā)現(xiàn)越來越多的 AI 產(chǎn)品開始采用這種定價(jià)模式。RunLLM的計(jì)費(fèi)方式是依據(jù)所回答問題的數(shù)量來確定的。基于 AI 的 SDRs（Sales Development Representatives） 則是根據(jù)安排的會(huì)議數(shù)量來收費(fèi)。而模型提供商，自然是根據(jù)所生成的 token 數(shù)量來設(shè)定價(jià)格的。

01 基于服務(wù)使用量的定價(jià)模式并非新事物

我們所說的基于工作量的定價(jià)，實(shí)際上就是一種基于服務(wù)使用量的定價(jià)模式，這種模式自云計(jì)算軟件興起之初便已存在（其歷史甚至可以追溯至公元前 3000 年，美索不達(dá)米亞地區(qū)對(duì)灌溉用水的計(jì)價(jià)）。 如今，從AWS、GCP等云服務(wù)提供商那里使用的絕大多數(shù)服務(wù)，其計(jì)費(fèi)都是基于租用的計(jì)算資源時(shí)間（以秒或小時(shí)計(jì)）和數(shù)據(jù)存儲(chǔ)量。隨著 serverless 架構(gòu)的流行，計(jì)費(fèi)模式變得更加精細(xì)：用戶只需為自己實(shí)際使用的資源付費(fèi)，而不是為租用的資源付費(fèi)。

然而，企業(yè)歷來對(duì)于完全基于服務(wù)使用量的定價(jià)模式持保留態(tài)度，因?yàn)檫@種模式下的費(fèi)用難以預(yù)測(cè)，預(yù)算編制也相對(duì)困難。實(shí)際上，當(dāng)云函數(shù)（cloud functions）開始流行時(shí)，一家主流云服務(wù)提供商透露，他們面臨的最大挑戰(zhàn)是企業(yè)客戶們尚未準(zhǔn)備好接受云函數(shù)的固定使用量合同 —— 因?yàn)樗麄儾捎玫氖羌兇獾幕诜?wù)量的計(jì)費(fèi)模式，企業(yè)客戶對(duì)此類基礎(chǔ)設(shè)施的采用意愿不高。

在基礎(chǔ)設(shè)施層面實(shí)施基于服務(wù)使用量的定價(jià)模式，歷來也很難實(shí)施。雖然計(jì)算某個(gè)函數(shù)運(yùn)行時(shí)間相對(duì)簡(jiǎn)單，但現(xiàn)在需要在成千上萬的服務(wù)器和數(shù)百個(gè)數(shù)據(jù)中心中可靠地跟蹤這些數(shù)據(jù)（即使在發(fā)生故障的情況下）。此外，服務(wù)的啟動(dòng)和關(guān)閉也產(chǎn)生了成本，而且隨著在不同工作負(fù)載之間頻繁切換，這些成本的產(chǎn)生頻率也會(huì)更高。因此，直到最近，基于服務(wù)使用量的定價(jià)模式主要還是應(yīng)用于基礎(chǔ)設(shè)施層面（這一領(lǐng)域的團(tuán)隊(duì)擁有解決相關(guān)問題的專業(yè)能力），而其他領(lǐng)域則普遍采用了基于使用人數(shù)的定價(jià)模式。

02 基于服務(wù)使用量的定價(jià)模式更適合 AI 產(chǎn)品

AI 產(chǎn)品理應(yīng)得到特殊對(duì)待。我們?cè)谏衔淖隽撕?jiǎn)要總結(jié)，解釋了為何基于工作量的定價(jià)模式對(duì) AI 產(chǎn)品而言具有重要價(jià)值，但這一話題值得深入挖掘。

精心打造的 AI 產(chǎn)品能夠大幅提升企業(yè)生產(chǎn)力，以低于傳統(tǒng)方式的時(shí)間消耗和成本產(chǎn)出高質(zhì)量、堪比人類的工作成果。這意味著，那些人們通常不愿意做的枯燥任務(wù) —— 例如，回復(fù)成百上千次相同的客戶咨詢、處理重復(fù)的電子郵件、挖掘潛在的銷售線索 —— 將交由人工智能來完成。自動(dòng)化處理越多這樣的繁瑣任務(wù)，人們就能有更多時(shí)間投入到更有價(jià)值的工作中。

這一變化帶來了兩個(gè)重要成果。首先，企業(yè)的付費(fèi)模式將從按人頭計(jì)費(fèi)轉(zhuǎn)變?yōu)榘磳?shí)際完成的工作量計(jì)費(fèi)。團(tuán)隊(duì)成員能夠了解 AI SDR 的工作情況，提高了透明度，但并不會(huì)改變產(chǎn)品的產(chǎn)出。其次，在定價(jià)模式中，可以實(shí)際考慮到工作的完成質(zhì)量。就像人類一樣，AI Agents 有時(shí)也會(huì)犯錯(cuò)，這一點(diǎn)可以在評(píng)估產(chǎn)品增加的價(jià)值時(shí)予以考慮。

舉個(gè)我們很熟悉的例子，客戶支持團(tuán)隊(duì)通常根據(jù)他們處理的工單數(shù)量和處理速度來衡量其工作效率；RunLLM 能夠以更低的成本和更高的準(zhǔn)確性完成這項(xiàng)工作，所以我們根據(jù)回答的問題數(shù)量來向客戶收費(fèi)。但如果收到一個(gè)不相關(guān)的問題，比如“誰贏得了拿破侖戰(zhàn)爭(zhēng)？”或者如果找不到數(shù)據(jù)來回答一個(gè)相關(guān)的問題，我們就沒有為客戶創(chuàng)造任何價(jià)值，所以我們不會(huì)向客戶收費(fèi)。

隨著討論的深入，這種做法聽起來越來越像是咨詢公司的工作方式。一般來說，這是件好事。與傳統(tǒng)軟件不同，AI 能夠生成連貫的端到端工作（end-to-end work），這正是咨詢公司期望能夠提供的服務(wù)。如果你相信這股 AI Agents 熱潮，那么你可能會(huì)認(rèn)為這意味著你將擁有一支 AI Agents 團(tuán)隊(duì)，為你處理所有繁瑣的工作。是否每個(gè)領(lǐng)域都會(huì)出現(xiàn)這種情況還有待觀察，但對(duì)于那些 AI 已經(jīng)展現(xiàn)出良好工作能力的領(lǐng)域 —— 如客戶支持、銷售、文檔編寫等，這已經(jīng)成為現(xiàn)實(shí)。

03 按工作量定價(jià)面臨的挑戰(zhàn)

當(dāng)然，切換到基于工作量的定價(jià)模式并不是萬能的解決方案。根據(jù)產(chǎn)品完成的工作量向客戶收費(fèi)會(huì)引發(fā)一些邊緣情況，這些問題是直接采用基于人數(shù)的定價(jià)模式可以避免的。

最明顯的一個(gè)問題在于如何界定“已完成的工作”。 以基于 AI 的 SDR 服務(wù)為例，你是根據(jù)預(yù)訂的會(huì)議、實(shí)際舉辦的會(huì)議還是轉(zhuǎn)換成功的會(huì)議來收費(fèi)？有些咨詢公司會(huì)根據(jù)這三種不同的方式收費(fèi)，收費(fèi)越高意味著每項(xiàng)服務(wù)的成本越高。這里沒有標(biāo)準(zhǔn)答案，但主要挑戰(zhàn)在于現(xiàn)在的客戶對(duì) AI 更加持懷疑態(tài)度。人類犯的錯(cuò)誤可以輕易彌補(bǔ)：“對(duì)不起，我們會(huì)確保不再發(fā)生！”而 AI 犯的錯(cuò)誤則會(huì)被更加仔細(xì)地審查，我們必須不遺余力地讓大家相信，人工智能可以像人類一樣學(xué)習(xí)（有時(shí)甚至更快！）。在產(chǎn)品的大規(guī)模應(yīng)用時(shí)，這些 AI Agents 必須能夠自主運(yùn)行，因此您需要贏得客戶的信任，讓他們相信您的產(chǎn)品會(huì)按其應(yīng)有的方式運(yùn)行。

正如我們上文所討論的內(nèi)容，對(duì)于基于服務(wù)使用量的定價(jià)模式，企業(yè)預(yù)算的管理也很棘手，但這是一個(gè)相對(duì)比較容易解決的問題。我們觀察到的普遍原則 —— 同時(shí)也是我們?cè)?RunLLM 所采用的方法，是一個(gè)分層的、基于服務(wù)使用量的定價(jià)模式。客戶需要為預(yù)期的服務(wù)使用量預(yù)付一定金額，然后對(duì)于超出部分按計(jì)費(fèi)單位付費(fèi)。 這種計(jì)費(fèi)模式在以往也是相當(dāng)標(biāo)準(zhǔn)的做法，所以并沒有什么特別的秘訣可言。

最有趣，也是最具挑戰(zhàn)性的問題在于理解所做的工作對(duì)用戶的價(jià)值。我們之前分享的云基礎(chǔ)設(shè)施例子，屬于低利潤(rùn)但高工作量的業(yè)務(wù)。GPU 服務(wù)的價(jià)格不僅僅取決于你使用了多少秒，還取決于你使用的資源（GPU）的成本。另一方面，交付工作（Delivering work）則是一個(gè)高利潤(rùn)但低工作量的業(yè)務(wù)。這意味著每單位工作量的價(jià)格會(huì)更高，甚至可能會(huì)讓一些企業(yè)感到意外。盡管如此，我們認(rèn)為基于工作價(jià)值（大致等同于你需要支付給人類來完成這項(xiàng)工作的費(fèi)用）的定價(jià)模式是正確的方向。

再次強(qiáng)調(diào)，這一問題沒有絕對(duì)正確的答案。 但我們已經(jīng)看到，隨著客戶逐漸理解他們不是在為計(jì)算資源付費(fèi)，而是在為高質(zhì)量的工作成果付費(fèi)，他們的想法正在發(fā)生變化。盡管如此，我們還有很長(zhǎng)的路要走，才能將這一信息有效傳達(dá)給市場(chǎng)。

04 凡事總有例外

凡事總有例外。在這種情況下，最明顯的例外就是引發(fā)了 GenAI 革命的兩款工具：ChatGPT 和 GitHub Copilot。這兩款產(chǎn)品都采用固定的基于人數(shù)的定價(jià)模式，而不是根據(jù)服務(wù)使用量來定價(jià)。

這種定價(jià)方式之所以可行，主要有兩個(gè)原因。首先，預(yù)測(cè)這兩款工具的使用量非常困難，因此基于像使用的 tokens 數(shù)量這樣的指標(biāo)來定價(jià)可能會(huì)產(chǎn)生負(fù)面激勵(lì) —— 你不知道自己要付多少錢，所以可能會(huì)擔(dān)心如果不小心可能會(huì)增加使用成本。更重要的是，在這種情況下，量化“工作量”的難度甚至比前文描述的案例還要大。ChatGPT 如何判斷它是否完成了任務(wù)，或者 GitHub Copilot 如何確定其代碼自動(dòng)補(bǔ)全是否具有價(jià)值？在這兩種情況下，都需要依賴于用戶的反饋，而用戶的反饋可能是不準(zhǔn)確的，并且可以被控制。

從這兩個(gè)例子中可以看出，由于任務(wù)成本相對(duì)較低且任務(wù)性質(zhì)相對(duì)通用，基于人數(shù)的定價(jià)模式在短期內(nèi)可能會(huì)繼續(xù)有效。我們可能會(huì)在其他通用產(chǎn)品中看到同樣的趨勢(shì)，但隨著市場(chǎng)的成熟，我們希望看到像 Copilot 這樣的產(chǎn)品能朝著更全面地完成任務(wù)，并根據(jù)完成的工作量收取相應(yīng)的費(fèi)用的方向發(fā)展。

盡管 AI 市場(chǎng)在過去 18 個(gè)月里發(fā)生了巨大變化，但我們?nèi)匀惶幱诜浅Ｔ缙诘碾A段。每一家真正的 AI 原生企業(yè)都在學(xué)習(xí)理解客戶行為，這意味著從定價(jià)策略（pricing）到利潤(rùn)率（margins），再到基于數(shù)量的折扣（volume-based discounts），一切都在不斷地探索和調(diào)整之中。我們和其他人一樣，都在這個(gè)探索的過程中，我們并不認(rèn)為自己已經(jīng)找到了答案，但最近幾周我們一直在思考這個(gè)問題，因?yàn)槲覀冋谥匦略O(shè)計(jì) RunLLM 的定價(jià)策略。

這里還有一個(gè)關(guān)于“如何實(shí)施基于服務(wù)使用量的計(jì)費(fèi)模式”的子話題，以及是否值得為許多為實(shí)現(xiàn)這一過程自動(dòng)化而出現(xiàn)的服務(wù)付費(fèi)。我們還沒有形成自己的觀點(diǎn) —— 而且這也并沒有特別針對(duì)人工智能產(chǎn)品，所以我們暫時(shí)不深入討論這個(gè)問題。

無論最終的具體機(jī)制如何，我們堅(jiān)信基于工作量的定價(jià)模式是 AI 的發(fā)展方向，當(dāng)然對(duì)于企業(yè)而言也希望如此（譯者注：這種模式更加符合他們對(duì)于效率和成本控制的需求），也許對(duì)于面向普通消費(fèi)者的技術(shù)產(chǎn)品也同樣適用。也許 AI 正是我們需要的突破口，讓互聯(lián)網(wǎng)上無處不在的微交易（micro-transactions）成為可能？

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the authors

Vikram Sreekanti

Co-founder & CEO of RunLLM

??https://substack.com/@vsreekanti??

Joseph E. Gonzalez

Professor at UC Berkeley and Co-Founder at Run LLM

??https://substack.com/@generatingconversation??

END

本期互動(dòng)內(nèi)容 ??

?如何更準(zhǔn)確地衡量AI完成工作的價(jià)值？您認(rèn)為應(yīng)該考慮哪些因素？

本文經(jīng)原作者授權(quán)，由 Baihai IDP 編譯。如需轉(zhuǎn)載譯文，請(qǐng)聯(lián)系獲取授權(quán)。

原文鏈接：
???https://frontierai.substack.com/p/the-future-of-ai-pricing??